YOLOv13涨点改进| TGRS 2026 |独家创新首发、注意力改进篇|引入 DLGPE 动态局部-全局并行编码器模块，有效地捕获多尺度目标信息，适合遥感语义分割，目标检测，图像分割等任务高效涨点

一、本文介绍

🔥本文给大家介绍利用DLGPE 动态局部-全局并行编码器改进YOLOv13网络模型，使网络在特征提取阶段能够同时建模局部纹理信息和全局语义信息，从而增强复杂场景下的特征表达能力。该模块利用动态通道分配机制和多分支并行结构，自适应地融合多卷积特征与窗口注意力特征，使模型能够更有效地捕获多尺度目标信息，提高小目标检测能力和目标定位精度。同时，DLGPE在提升检测性能的同时仅带来较小的计算开销，使YOLOv13在保持较高检测速度的同时获得更好的检测精度与鲁棒性。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv13创新改进！🔥

YOLOv13专栏改进目录：YOLOv13改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新改进专栏链接：全新YOLOv13创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

本文目录

一、本文介绍

二、DLGPE动态局部-全局并行编码器模块介绍

2.1 DLGPE 动态局部-全局并行编码器模块结构图

2.2 DLGPE模块的作用

2.3 DLGPE模块的原理

2.4 DLGPE模块的优势

三、完整核心代码

 四、手把手教你配置模块和修改tasks.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用​编辑

3.修改tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1🔥: yolov13n_DLGPA.yaml

🚀 创新改进2🔥: yolov13n_HyperACE_DLGPA.yaml

🚀 创新改进3🔥: yolov13n_A2C2f_DLGPA.yaml

🚀 创新改进4🔥: yolov13n_DSC3k2_DLGPA.yaml

六、正常运行

二、DLGPE动态局部-全局并行编码器模块介绍

摘要：遥感变化检测技术在城市规划、灾害评估等应用中具有关键作用，它能精准识别双时序影像中地物的变化特征。随着深度学习的快速发展，混合卷积神经网络（CNN）与Transformer的融合方法显著推动了该领域进步。然而现有融合网络普遍存在鲁棒性不足的问题，常将伪变化误判为真实变化。即便采用联合建模局部与全局特征的硬性通道分割策略，这一问题仍未得到解决。为应对这些挑战，我们提出了一种新型的局部-全局编码器与掩码Mamba解码器网络（LGMM -Net）。该网络通过多核卷积（multiconvs）、窗口注意力机制及状态空间序列建模，实现了局部细节与全局语义的鲁棒融合。首先，我们在动态局部-全局并行编码器（DLGPE）中引入动态通道软分割策略，该编码器整合多核卷积、固定窗口注意力和移位窗口注意力，同时捕捉局部细节与全局语义。其次，我们设计了金字塔掩码Mamba（PMM）模块，其创新扫描机制称为掩码引导定向选择扫描（MGD-SS2D）。该模块通过定向卷积定义扫描路径，结合特征旋转实现四向建模，从而增强边界表征能力。在四个公开